目前主流的 linux 发行版例如 fedora 和 ubuntu 默认的中文输入法都是 ibus-pinyin，但是非尝苦恼 ibus-pinyin 的词库太少，输入中文词组得一个一个的选汉字，很羡慕 windows 下用搜狗拼音的同学，于是网上有好事者提出了解决办法。
用法：先到搜狗拼音官方网站下载你认为比较常用的词库文件，注意这些词库文件通常是以 .scel 为后缀名，然后把下面的代码复制后保存为 python 脚本，保存到词库文件所在的文件夹中，运行脚本，得到 sougou.txt；
打开 ibus 拼音》偏好设置》用户词典》导入刚才的 sougou.txt 即可。
#!/usr/bin/python# -*- coding: utf-8 -*-import structimport sysimport binasciiimport pdb# 搜狗的scel词库就是保存的文本的unicode编码，每两个字节一个字符（中文汉字或者英文字母）# 找出其每部分的偏移位置即可# 主要两部分# 1.全局拼音表，貌似是所有的拼音组合，字典序#格式为(index,len,pinyin)的列表#index: 两个字节的整数 代表这个拼音的索引#len: 两个字节的整数 拼音的字节长度#pinyin: 当前的拼音，每个字符两个字节，总长len## 2.汉语词组表#格式为(same,py_table_len,py_table,{word_len,word,ext_len,ext})的一个列表#same: 两个字节 整数 同音词数量#py_table_len: 两个字节 整数#py_table: 整数列表，每个整数两个字节,每个整数代表一个拼音的索引##word_len:两个字节 整数 代表中文词组字节数长度#word: 中文词组,每个中文汉字两个字节，，总长度word_len#ext_len: 两个字节 整数 代表扩展信息的长度，好像都是10#ext: 扩展信息 前两个字节是一个整数(不知道是不是词频) 后八个字节全是0##{word_len,word,ext_len,ext} 一共重复same次 同音词 相同拼音表# 拼音表偏移，startPy = 0x1540# 汉语词组表偏移startChinese = 0x2628# 全局拼音表GPy_Table = {}# 解析结果# 元组(词频,拼音,中文词组)的列表GTable = []def byte2str(data):'''将原始字节码转为字符串'''i = 0length = len(data)ret = u''while i < length:x = data[i] + data[i + 1]t = unichr(struct.unpack('H', x)[0])if t == u'\r':ret += u'\n'elif t != u' ':ret += ti += 2return ret# 获取拼音表def getPyTable(data):if data[0:4] != "\x9D\x01\x00\x00":return Nonedata = data[4:]pos = 0length = len(data)while pos < length:index = struct.unpack('H', data[pos] + data[pos + 1])[0]# print index,pos += 2l = struct.unpack('H', data[pos] + data[pos + 1])[0]# print l,pos += 2py = byte2str(data[pos:pos + l])# print pyGPy_Table[index] = pypos += l# 获取一个词组的拼音def getWordPy(data):pos = 0length = len(data)ret = []while pos < length:index = struct.unpack('H', data[pos] + data[pos + 1])[0]ret.append(GPy_Table[index])pos += 2return '\&;'.join(ret)# 获取一个词组def getWord(data):pos = 0length = len(data)ret = u''while pos < length:index = struct.unpack('H', data[pos] + data[pos + 1])[0]ret += GPy_Table[index]pos += 2return ret# 读取中文表def getChinese(data):#import pdb# pdb.set_trace()pos = 0length = len(data)while pos < length:# 同音词数量same = struct.unpack('H', data[pos] + data[pos + 1])[0]# print '[same]:',same,# 拼音索引表长度pos += 2py_table_len = struct.unpack('H', data[pos] + data[pos + 1])[0]# 拼音索引表pos += 2py = getWordPy(data[pos: pos + py_table_len])# 中文词组pos += py_table_lenfor i in xrange(same):# 中文词组长度c_len = struct.unpack('H', data[pos] + data[pos + 1])[0]# 中文词组pos += 2word = byte2str(data[pos: pos + c_len])# 扩展数据长度pos += c_lenext_len = struct.unpack('H', data[pos] + data[pos + 1])[0]# 词频pos += 2count = struct.unpack('H', data[pos] + data[pos + 1])[0]# 保存GTable.append((count, py, word))# 到下个词的偏移位置pos += ext_lendef deal(file_name):print '-' * 60f = open(file_name, 'rb')data = f.read()f.close()if data[0:12] != "\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00":print "确认你选择的是搜狗(.scel)词库?"sys.exit(0)# pdb.set_trace()print "词库名：", byte2str(data[0x130:0x338]) # .encode('GB18030')print "词库类型：", byte2str(data[0x338:0x540]) # .encode('GB18030')print "描述信息：", byte2str(data[0x540:0xd40]) # .encode('GB18030')print "词库示例：", byte2str(data[0xd40:startPy]) # .encode('GB18030')getPyTable(data[startPy:startChinese])getChinese(data[startChinese:])if __name__ == '__main__':# 将要转换的词库添加在这里就可以了o = []import osfor f in os.listdir("./"):if f.find('.scel') != -1:o.append(f)for f in o:deal(f)# 保存结果f = open('sougou.txt', 'w')for count, py, word in GTable:# GTable保存着结果，是一个列表，每个元素是一个元组(词频,拼音,中文词组)，有需要的话可以保存成自己需要个格式# 我没排序，所以结果是按照上面输入文件的顺序# f.write(unicode('{%(count)s}' % {'count': count} + py + ' ' + word).encode('UTF-8')) # 最终保存文件的编码，可以自给改f.write(unicode('%s %s %s' % (word, py, count)).encode('UTF-8'))f.write('\n')f.close()
就是对虚怀若谷谦虚谨慎八个字真正理解的人，
